Bedrägeridetektering med Python och TensorFlow Träningskurs

Detta är en 4-dagars kurs som introducerar AI och dess tillämpning. Det finns möjlighet att få en extra dag för att genomföra ett AI-projekt efter avslutad kurs. 

Denna instruktörledda, liveutbildning i Sverige (online eller på plats) är riktad till datavetare och programutvecklare som vill använda Dask med Python-ekosystemet för att bygga, skala och analysera stora datamängder.

Genom denna utbildning kommer deltagarna att kunna:

• Konfigurera miljön för att börja bygga stordata-behandling med Dask och Python.
• Förstå hur Dask accelererar parallell beräkning i Python.
• Lär sig hur man skalas med det Python-ekosystemet (Numpy, SciPy och Pandas) med hjälp av Dask.
• Optimera Dask-miljön för att behålla hög prestanda vid hantering av stora datamängder.

Denna instruktörsledd, live-träning i Sverige (online eller på plats) är riktad till mellannivå-Python-utvecklare och dataanalytiker som vill förbättra sina kunskaper i dataanalys och -manipulation med Pandas och Numpy.

Till slut av denna träning kommer deltagarna att kunna:

• Konfigurera en utvecklingsmiljö som inkluderar Python, Pandas och NumPy.
• Skapa ett dataanalysprogram med hjälp av Pandas och Numpy.
• Framföra avancerade datamanipulationer, sortering och filtrering.
• Genomföra aggregeringsoperationer och analysera tidsrader.
• Visualisera data med hjälp av Matplotlib och andra visualiseringsbibliotek.
• Felsöka och optimera deras dataanalyskod.

I denna instruktörsledda, liveutbildning i Sverige kommer deltagarna att lära sig använda Python-bibliotek för NLP när de skapar ett program som bearbetar en samling bilder och genererar beskrivningar.

Till slut av utbildningen kommer deltagarna att kunna:

• Utforma och programmera djupinlärning för NLP med Python-bibliotek.
• Skapa Python-kod som läser in en stort antal bilder och genererar nyckelord.
• Skapa Python-kod som genererar beskrivningar från de identifierade nyckelorden.

Målgrupp

Denna kurs är lämplig för djupinlärningsforskare och -ingenjörer som är intresserade av att utnyttja tillgängliga verktyg (främst öppen källkod) för att analysera datorbilder.

Kursen innehåller fungerande exempel.

Denna instruktörsvägda, liveutbildning (online eller på plats) riktas till utvecklare som vill använda FARM-stacken (FastAPI, React och MongoDB) för att bygga dynamiska, prestandarika och skalbara webbapplikationer.

Genom denna utbildning kommer deltagarna att kunna:

• Konfigurera den nödvändiga utvecklingsmiljön som integrerar FastAPI, React och MongoDB.
• Förstå de viktigaste koncepten, funktionerna och fördelarna med FARM-stacken.
• Lära sig hur man bygger REST-API:er med FastAPI.
• Lära sig hur man designar interaktiva applikationer med React.
• Utveckla, testa och distribuera applikationer (frontend och backend) med FARM-stacken.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) är riktad till utvecklare som vill använda FastAPI med Python för att enklare och snabbare bygga, testa och distribuera RESTful APIs.

Genom denna utbildning kommer deltagarna att kunna:

• Sätta upp den nödvändiga utvecklingsmiljön för att utveckla APIs med Python och FastAPI.
• Skapa APIs snabbare och enklare med hjälp av FastAPI-biblioteket.
• Lära sig hur man skapar datamodeller och scheman baserat på Pydantic och OpenAPI.
• Ansluta APIs till en databas med hjälp av SQLAlchemy.
• Implementera säkerhet och autentisering i APIs med hjälp av FastAPI-verktyg.
• Skapa containrar och distribuera webb-APIer till en molnserver.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare och utvecklare som vill använda Modin för att bygga och implementera parallella beräkningar med Pandas för snabbare dataanalys.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera den miljö som krävs för att börja utveckla Pandas arbetsflöden i stor skala med Modin.
• Förstå funktionerna, arkitekturen och fördelarna med Modin.
• Känn till skillnaderna mellan Modin, Dask och Ray.
• Utför Pandas operationer snabbare med Modin.
• Implementera hela Pandas API:et och funktionerna.

Denna instruktörsledda liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare och dataanalytiker som vill använda TensorFlow 2.x för att bygga prediktionsmodeller, klassificerare, generativa modeller, neuronnätverk osv.

När denna utbildning är avslutad kommer deltagarna att kunna:

• Installera och konfigurera TensorFlow 2.x.
• Förstå fördelarna med TensorFlow 2.x över tidigare versioner.
• Bygga djupinlärningsmodeller.
• Implementera en avancerad bildklassificering.
• Distribuera en djupinlärningsmodell till molnet, mobil och IoT-enheter.

I detta instruktörsledda, liveutbildning i Sverige (online eller på plats), kommer deltagarna att lära sig hur man konfigurerar och använder TensorFlow Serving för att distribuera och hantera ML-modeller i en produktionsmiljö.

När utbildningen är avslutad kommer deltagarna att kunna:

• Tra-na, exportera och servera olika TensorFlow-modeller.
• Testa och distribuera algoritmer med hjälp av en enda arkitektur och uppsättning API:er.
• Utöka TensorFlow Serving för att servera andra typer av modeller utöver TensorFlow-modeller.

TensorFlow är en andra generations API för Googles öppen källkodsprogrambibliotek för djupinlärning. Systemet är utformat för att underlätta maskininlärningsforskning och göra det snabbt och lätt att övergå från forskningsprototyp till produktionsmiljö.

Målgrupp

Denna kurs är avsedd för ingenjörer som vill använda TensorFlow för sina djupinlärningsprojekt.

Efter att ha slutfört denna kurs kommer deltagarna att:

• föstå TensorFlow:s struktur och distributionsmekanismer
• kunna utföra installation, produktionsmiljö, arkitekturuppgifter och konfiguration
• kunna bedöma kodkvalitet, utföra felsökning och övervakning
• kunna implementera avancerade produktionsfunktioner som träningsmodeller, bygga diagram och loggning

Denna kurs utforskar, med specifika exempel, tillämpningen av Tensor Flow för bildigenkänning

Målgrupp

Denna kurs är ämnad för ingenjörer som vill använda TensorFlow för bildigenkänningsändamål

Efter att ha slutfört denna kurs kommer deltagarna kunna:

• fatta TensorFlows struktur och distribueringsmekanismer
• genomföra installations-/produktionsmiljö-/arkitekturenuppgifter och konfiguration
• värdera kodkvalitet, utföra felsökning och övervakning
• implementera avancerade produktionsscenarier som träningsmodeller, bygga grafer och logga aktiviteter

I denna ledda utbildning på plats kommer deltagarna att lära sig hur de kan dra nytta av innovationerna i TPU-processorer för att maximera prestandan i sina egna AI-applikationer.

Vid slutet av utbildningen kommer deltagarna att kunna:

• Träna olika typer av neuronnätverk på stora mängder data.
• Använda TPUer för att accelerera inferensprocessen med upp till två storleksordningar.
• Använda TPUer för att bearbeta krävande applikationer som bildsökning, cloud vision och foto.

TensorFlow™ är en öppen källkodsbibliotek för numeriska beräkningar med hjälp av dataflödesgrafer.

SyntaxNet är ett neuralt nätverksbaserat ramverk för naturlic språkbearbetning (NLP) för TensorFlow.

Word2Vec används för att lära in vektordarstellungar av ord, kallade "word embeddings". Word2vec är ett särskilt beräkningsmässigt effektivt prediktivt modell för att lära in word embeddings från obearbetad text. Det finns i två versioner: Continuous Bag-of-Words (CBOW) och Skip-Gram (kapitel 3.1 och 3.2 i Mikolov et al.).

När de används tillsammans, gör SyntaxNet och Word2Vec det möjligt för användare att generera lärande embedding-modeller från naturlic språkinmatning.

Målgrupp

Denna kurs riktas till utvecklare och ingenjörer som avser att arbeta med SyntaxNet- och Word2Vec-modeller i sina TensorFlow-grafer.

Efter att ha avslutat denna kurs kommer deltagarna att:

• förstå TensorFlow:s struktur och distributionsmekanismer
• kunna genomföra installationsuppgifter, miljökonfigurationer och arkitekturuppgifter
• kunna bedöma kodkvalitet, utföra felsökning och övervakning
• kunna implementera avancerad produktion som träningsmodeller, inbäddningsord, grafskonstruktion och loggning

Denna kurs börjar med att ge dig konceptuell kunskap om neuronnät och generellt om maskininlärningsalgoritmer, djupinlärning (algoritmer och tillämpningar).

Del 1 (40%) av detta träningsprogram fokuserar mer på grunderna men kommer att hjälpa dig att välja rätt teknologi: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Del 2 (20%) av detta träningsprogram introducerar Theano - en Python-bibliotek som gör det enkelt att skriva djupinlärningsmodeller.

Del 3 (40%) av träningsprogrammet kommer att baseras utökat på TensorFlow - Googles öppen källkodsbiblioteks andra generations API för djupinlärning. Exemplen och praktiska övningar kommer alla att göras i TensorFlow.

Målgrupp

Denna kurs är avsedd för ingenjörer som vill använda TensorFlow för sina djupinlärningsprojekt.

Efter att ha slutfört denna kurs kommer deltagarna att:

• kunna förstå djupa neuronnät (DNN), CNN och RNN

• förstå TensorFlow:s struktur och distributionmekanismer

• kunna utföra installationsuppgifter, produktionssmiljö / arkitekturuppgifter och konfiguration

• kunna utvärdera kodkvalitet, felsökning, övervakning

• kunna implementera avancerad produktion som träningsmodeller, bygga grafer och loggning